CN109325956A - 一种基于图像处理的输电导线覆冰截面特征提取方法 - Google Patents
一种基于图像处理的输电导线覆冰截面特征提取方法 Download PDFInfo
- Publication number
- CN109325956A CN109325956A CN201810927764.3A CN201810927764A CN109325956A CN 109325956 A CN109325956 A CN 109325956A CN 201810927764 A CN201810927764 A CN 201810927764A CN 109325956 A CN109325956 A CN 109325956A
- Authority
- CN
- China
- Prior art keywords
- icing
- image
- section
- transmission pressure
- profile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000005540 biological transmission Effects 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 23
- 239000000284 extract Substances 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 239000011248 coating agent Substances 0.000 abstract description 4
- 238000000576 coating method Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 18
- 239000006002 Pepper Substances 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 239000004020 conductor Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 235000002918 Fraxinus excelsior Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000002956 ash Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于图像处理的输电导线覆冰截面特征提取方法,包括如下步骤:A采集覆冰现场图像;B对获得的覆冰图像进行预处理,获得覆冰图像数据阵列;C分离覆冰图像的前景与背景,提取覆冰截面特征;D对提取的覆冰截面特征进行数值化处理;E对覆冰截面轮廓进行模型重建。本发明提供的方法,将输电导线覆冰截面轮廓进行数值化处理,并基于获取的覆冰截面轮廓信息在自然世界坐标中进行模型重构,得到清晰的覆冰轮廓边界,基于重构的覆冰模型,获取覆冰导线的气动力参数,进而开展输电导线在覆冰时的舞动特性研究。
Description
技术领域
本发明涉及输电线路监测领域,尤其涉及一种基于图像处理的输电导线覆冰截面特征提取方法。
背景技术
对于输变电系统,输电线路覆冰是一种十分普遍的现象。受气象条件、微地形等影响,每年我国的再运输电线路都会多次发生冰灾事故。输电线路覆冰后会引起导线舞动、断线、绝缘子闪络、杆塔倒塌等重大电力事故,严重影响线路的安全运行,并造成巨大的经济财产损失。因此,对输电线路进行监测,及时发现线路覆冰故障并及时进行处理,对保障线路安全运行意义重大。
目前,视频、图像处理技术被越来越多的用来对输电线路覆冰进行监测。现有技术多是利用图像处理技术对“输电导线覆冰进行在线估测厚度”。中国专利“架空线路覆冰厚度的视觉检测方法”公开了一种通过区域分割获得导线所在区域的图像,然后根据单根导线在图像中所占的像素数的比例关系换算成覆冰的厚度的方法。中国专利“一种利用视频图像处理技术计算输电线路覆冰厚度的方法”公开了以监控中心的线路监测视频中截取的数字图像为研究对象,首先对图像进行预处理,通过输电导线覆冰前后图像像素进行对比计算,得到一个平均比值,进而计算出覆冰厚度。在图像的采集和传递过程中会引入较多的噪声和干扰。上诉专利在边缘轮廓提取时并没有进行滤波和降噪处理,因此极易将噪声和干扰当成覆冰轮廓,从而导致得到的边界轮廓不够清晰。另外,上述的专利都只对覆冰导线进行二维边界识别,没有涉及对覆冰截面特征进行提取,无法满足对覆冰模型重构的需求,并开展后续的对输电线路覆冰舞动特性的分析。
发明内容
本发明解决其技术问题所采用的技术方案是:一种基于图像处理的输电导线覆冰截面特征提取方法,包括如下步骤:
A采集覆冰现场图像;
B对获得的覆冰图像进行预处理,获得覆冰图像阵列数据;
C分离覆冰图像的前景与背景,提取覆冰截面特征;
D对提取的覆冰截面特征进行数值化处理;
E对覆冰截面轮廓进行模型重建。
进一步改进为,所述步骤A包括:
通过两台相机对覆冰输电导线进行拍摄,以获得塔上覆冰现场图像。
进一步改进为,两台所述相机上下处于一条垂直于水平线的竖直线上,且两个所述相机的竖直方向间距在50cm-150cm之间,所述相机的拍摄角度与水平面夹角不大于30°。
进一步改进为,两个所述相机的竖直方向间距为100cm。
进一步改进为,被拍摄的所述覆冰输电导线包括覆冰段导线和未覆冰段导线。
进一步改进为,所述步骤A包括:
将掉落地面上的覆冰水平或竖直放置于与覆冰颜色有明显色差的背景物上;
在平行于覆冰的水平或竖直边界处放置一把标尺;
在覆冰正上方拍摄覆冰图像。
进一步改进为,所述步骤B包括:
对采集的覆冰现场图像进行灰度化处理,获得覆冰灰度图像;
对所述覆冰灰度图像进行图像增强处理。
进一步改进为,所述步骤C包括:
利用迭代阈值法对预处理后的覆冰图像进行二值化,分析覆冰图像的前景与背景,提取覆冰截面特征。
进一步改进为,所述步骤D包括:
根据提取的所述覆冰截面特征,进行边缘检测,得到覆冰边界轮廓点集,提取覆冰轮廓的点集坐标,即得到各轮廓点处的像素坐标,并将各轮廓点处的像素坐标转化为自然世界坐标。
进一步改进为,所述步骤E包括:
根据覆冰边界轮廓点集的自然世界坐标,绘制覆冰截面的实际截面轮廓,构建覆冰模型。
本发明的有益效果是:
本发明提供的基于图像处理的输电导线覆冰截面特征提取方法,将输电导线覆冰截面轮廓进行数值化处理,并基于获取的覆冰截面轮廓信息在自然世界坐标中进行模型重构,得到清晰的覆冰轮廓截面,基于重构的覆冰模型,获取覆冰导线的气动力参数,进而开展输电导线在覆冰时的舞动特性研究。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明的基于图像处理的输电导线覆冰截面特征提取方法的流程示意图;
图2为本发明的塔上采集覆冰现场图像相机安装结构示意图;
图3为本发明的图像二值化方法示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
在发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在发明中的具体含义。
实施例
如图1所示,本实施例提供一种基于图像处理的输电导线覆冰截面特征提取方法,包括如下步骤:
A采集覆冰现场图像;
B对获得的覆冰图像进行预处理,获得覆冰图像阵列数据;
C分离覆冰图像的前景与背景,提取覆冰截面特征;
D对提取的覆冰截面特征进行数值化处理;
E对覆冰截面轮廓进行模型重建。
进一步改进为,所述步骤A包括:
通过两台相机对覆冰输电导线进行拍摄,以获得塔上覆冰现场图像。
进一步改进为,两台所述相机上下处于一条垂直于水平线的竖直线上,且两个所述相机的竖直方向间距在50cm-150cm之间,所述相机的拍摄角度与水平面夹角不大于30°。
进一步改进为,两个所述相机的竖直方向间距为100cm。
进一步改进为,被拍摄的所述覆冰输电导线包括覆冰段导线和未覆冰段导线。
进一步改进为,所述步骤A包括:
将掉落地面上的覆冰水平或竖直放置于与覆冰颜色有明显色差的背景物上;
在平行于覆冰的水平或竖直边界放置一把标尺;
在覆冰正上方拍摄覆冰图像。
进一步改进为,所述步骤B包括:
对采集的覆冰现场图像进行灰度化处理,获得覆冰灰度图像;
对所述覆冰灰度图像进行图像增强处理。
进一步改进为,所述步骤C包括:
利用迭代阈值法对预处理后的覆冰图像进行二值化,分析覆冰图像的前景与背景,提取覆冰截面特征。
进一步改进为,所述步骤D包括:
根据提取的所述覆冰截面特征,进行边缘检测,得到覆冰边界轮廓点集,提取覆冰轮廓的点集坐标,即得到各轮廓点处的像素坐标,并将各轮廓点处的像素坐标转化为自然世界坐标。
进一步改进为,所述步骤E包括:
根据覆冰边界轮廓点集的自然世界坐标,绘制覆冰截面的实际截面轮廓,构建覆冰模型。
具体说明:
步骤A:采集覆冰现场图像
对覆冰图像采集,分为塔上和塔下两种形式。一般在塔下获得的覆冰图像,多是发生在覆冰事故后脱落在地面上的覆冰;或者是除冰作业时从线路上剥落的覆冰。塔上的覆冰图像采集,主要依靠固定在杆塔上的高清摄像机进行拍照,或者直接采用无人机巡线时所抓拍到的覆冰图像。
(a)塔上:如图2所示,塔上采集图像信息主要依靠两个规格型号完全相同高清数码相机实现。考虑塔上高空作业的安全性,塔上图像采集不使用人工作业。为保证拍摄图像的质量,对相机的安装位置和安装角度有一定的要求:
①两台相机1安装在杆塔或者专门的固定支架上。
②两台相机1采用上下平行,基轴共线的位置布置;相机间的距离保持在100cm左右,以方便在利用视差距离对覆冰模型进行测算。
③考虑到覆冰现场的条件,很难保证相机直接垂直于覆冰导线2进行拍摄,允许相机安装时具有一定的倾斜角度,角度不应超过30°。这样才能保证拍摄的覆冰截面轮廓不出现失真。
④为保证对后期对截面轮廓进行测算,确定拍摄目标区域时,要保证有一段裸露(未覆冰)的导线在目标区域内。(注:引入裸导线的目的是想通过导线作为参考标尺。因导线的直径已知,可以根据图像内导线截面直径的像素点数,确定缩放因子。进而通过缩放因子,根据整个覆冰轮廓在图像中所占据的像素点数,测算出截面面积及像素坐标在自然世界所对应的绝对坐标值)。
(b)塔下:由于塔下采集的图像都是脱落到地面后的覆冰,故在塔下采集的覆冰图像不包含导线信息,只有覆冰本身的轮廓及截面图像。塔下人工获取覆冰图像时有如下几点要求:
①选择的背景要与目标前景(覆冰)具有明显色差(注释:以深色系为宜,由于覆冰多为白色或透明状,故推荐选用黑色背景)以方便在进行图像处理时更容易识别前景与背景,并更好的将前景分离出来。
②由于在塔下获取的覆冰图像不包含导线信息,需要在拍摄图像时放置一把标尺,从而得到缩放因子(注释:原理同塔上拍摄时引入导线相同)。
③在放置标尺时,标尺要平行于图像的水平或竖直边界(注释:因为是以水平或竖直方向确定像素间的距离)。为保证测算出的缩放因子的准确性,标尺放置的位置与水平或竖直轴线的夹角的误差不超过±10°。
④标尺放置的高度应与覆冰断面高度基本一致(注释:为避免由于不同高差使物体在投影时产生的形状误差)。
⑤在人工手持相机拍摄时,应保证相机镜头在覆冰正上方且平行于水平面,与水平面的夹角控制在15度以内。
步骤B:对获得的覆冰图像进行预处理,获得覆冰图像数据阵列
对采集的图像进行预处理,包括:图像灰度化和图像增强。
(a)首先对图像进行灰度处理。在输电导线覆冰现场所采集到的图像大多为彩色(RGB)图像,如果直接对采集的图像进行处理,对于计算机性能的要求较高。故,可通过下式对RGB图像进行灰度化处理,将彩色图像亮度值量化:
其中:Y为灰度图像像素点灰度值;I为色调;Q为饱和度;R、G、B分别表示红色、绿色、蓝色的分量值。
根据得到的灰度图像,通过灰度值调整进行对比增强。通过设定不同灰度值,识别并区分不同的覆冰类型。由于雨凇、雾凇、混合淞这几种不同覆冰类型具有不同的形成机理和表面特征,故其在图像中会呈现不同的图像亮度和对比度。采用分段线性变换来调整图像灰度值,通过确定分段点阀值,将整幅图像划分为背景段、过渡段和目标段,对不同的灰度段进行不同的灰度处理,更加凸显前景目标图像灰度等级抑制背景图像灰度等级,使得图像更加具有区分度。
灰度调整采用如下的变换规则:
式中的m,n为分段阀值点,根据统计的灰度图像的各灰度等级概率,m,n对应于不同概率的灰度值;对于8bit的图像maxf=255。
根据雨凇、雾凇、混合淞不同的形成机理和表面特征,以及其在图像中呈现的不同的图像亮度和对比度。它们的取值分别为:
(b)图像增强。为更好的对图像进行识别和处理,需对图像进行增强处理。
①首先,对图像叠加密度为0.4的椒盐噪声。椒盐噪声是由图像传感器,传输信道,解码处理等产生的黑白相间的亮暗点噪声,它在图像中较为明显,对图像分割、边缘检测和特征提取有严重破坏性。引入椒盐噪声的目的是为了产生加性噪声,将图像本省的噪声进行放大,然后再通过滤波算法将噪声去除,达到改善图像质量,强化图像表现特征的目的。
对图像添加椒盐噪声的步骤如下:
指定信噪比Snr=0.4(取值范围在[0,1]之间);
计算总像素数目SP,得到要加噪的像素数目NP=SP*(1-Snr);
随机获取要加噪的每个像素位置P(i,j);
指定灰度值为255或者0。
重复3、4两个步骤完成所有NP个像素的噪声添加。
②采用中值滤波法对受椒盐噪声干扰的图像进行去噪处理。其目的是:抽出前景目标图像的特征作为图像识别的特征模式;为适应计算机处理的要求,消除图像数字化时所混入的噪声,使图像更清晰,视觉效果更好。
③通过低通滤波对图像进行锐化,以使得图像的边缘、轮廓线及图像细节变得清晰。低通滤波数学表达式为:G(u,v)=F(u,v)H(u,v)其中,F(u,v)为含有噪声的原图像的傅里叶变换域;H(u,v)为传递函数;G(u,v)为低通滤波后输出图像的傅里叶变换。
④对图像直方图均衡化,图像直方图均衡化可以对图像进行非线性拉伸,重新分配图像象元值,使一定灰度范围内的象元值的数量大致相等,具体地说就是把给定图像的直方图分布改变成近似均匀分布的直方图。通过累积函数对灰度值进行调整,实现对比度增强,图像明暗分明,很好的改善原始图的视觉效果。
它的累积函数表达式为:
式中:k为灰度级数;n为图像中的像素总数。
直方图均衡化的过程如下:
计算图像的灰度直方图;
计算原图像的灰度累积分布函数,求出灰度转换表;
根据灰度转换表,将图像各灰度级重新进行映射。
步骤C:分离覆冰图像的前景与背景,提取覆冰截面特征
如图3所示,利用迭代阈值二值化,进行图像前景背景分析,提取出覆冰截面特征。
二值化的算法为:其中:t为阀值。
图像进行迭代阈值二值化首先是设定一个阀值t,用t将图像的数据分成两部分:大于t的像素群和小于t的像素群。将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果。然后求取阀值:若图像中灰度值s>t的像素点,求出灰度平均值T1,若图像中灰度值s<t的像素点,求出灰度平均值T2,若丨T1-T2丨<△则当前t即为最佳阀值,否则取t=(T1+T2)/2循环上述的比较操作。
步骤D:对提取的覆冰截面特征进行数值化处理
根据提取的覆冰截面特征,进行边缘检测,得到图像边界轮廓点集,提取目标轮廓的点集坐标,即得到各轮廓点处的像素坐标。通过放置的标尺,根据标尺的几何距离与像素值之间的比例缩放因子,将各边界轮廓点的像素坐标转化为自然世界坐标。各轮廓点的像素坐标与自然坐标间有如此对应关系:其中,为像素坐标;f(x,y)为自然坐标;μ为比例换算因子。
通过将覆冰截面轮廓图像的像素坐标转换为自然世界坐标,实现了覆冰图像的数值化,使覆冰数据具有了可移植性和良好的交互性。今后可以根据提取的坐标数据重构覆冰模型,得到其真实的物理模型和尺寸,可用于对于输电线路覆冰特性进行进一步分析。
步骤E:对覆冰截面轮廓进行模型重建
跟据数值化处理的到的覆冰截面轮廓的坐标点集,利用绘图软件得到了覆冰截面的实际截面轮廓,完成对模型的重构。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于图像处理的输电导线覆冰截面特征提取方法,其特征在于,包括如下步骤:
A采集覆冰现场图像;
B对获得的覆冰图像进行预处理,获得覆冰图像阵列数据;
C分离覆冰图像的前景与背景,提取覆冰截面特征;
D对提取的覆冰截面特征进行数值化处理;
E对覆冰截面轮廓进行模型重建。
2.根据权利要求1所述的方法,其特征在于,所述步骤A包括:
通过两台相机对覆冰输电导线进行拍摄,以获得塔上覆冰现场图像。
3.根据权利要求2所述的方法,其特征在于,两台所述相机上下处于一条垂直于水平线的竖直线上,且两个所述相机的竖直方向间距在50cm-150cm之间,所述相机的拍摄角度与水平面夹角不大于30°。
4.根据权利要求3所述的方法,其特征在于,两个所述相机的竖直方向间距为100cm。
5.根据权利要求2所述的方法,其特征在于,被拍摄的所述覆冰输电导线包括覆冰段导线和未覆冰段导线。
6.根据权利要求1所述的方法,其特征在于,所述步骤A包括:
将掉落地面上的覆冰水平或竖直放置于与覆冰颜色有明显色差的背景物上;
在平行于覆冰的水平或竖直边界处放置一把标尺;
在覆冰正上方拍摄覆冰图像。
7.根据权利要求1所述的方法,其特征在于,所述步骤B包括:
对采集的覆冰现场图像进行灰度化处理,获得覆冰灰度图像;
对所述覆冰灰度图像进行增强处理。
8.根据权利要求1所述的方法,其特征在于,所述步骤C包括:
利用迭代阈值法对预处理后的覆冰图像进行二值化,分析覆冰图像的前景与背景,提取覆冰截面特征。
9.根据权利要求8所述的方法,其特征在于,所述步骤D包括:
根据提取的所述覆冰截面特征,进行边缘检测,得到覆冰边界轮廓点集,提取覆冰轮廓的点集坐标,即得到各轮廓点处的像素坐标,并将各轮廓点处的像素坐标转化为自然世界坐标。
10.根据权利要求9所述的方法,其特征在于,所述步骤E包括:
根据覆冰边界轮廓点集的自然世界坐标,绘制覆冰截面的实际截面轮廓,构建覆冰模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810927764.3A CN109325956A (zh) | 2018-08-15 | 2018-08-15 | 一种基于图像处理的输电导线覆冰截面特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810927764.3A CN109325956A (zh) | 2018-08-15 | 2018-08-15 | 一种基于图像处理的输电导线覆冰截面特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109325956A true CN109325956A (zh) | 2019-02-12 |
Family
ID=65264151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810927764.3A Pending CN109325956A (zh) | 2018-08-15 | 2018-08-15 | 一种基于图像处理的输电导线覆冰截面特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325956A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111637839A (zh) * | 2020-06-01 | 2020-09-08 | 中国南方电网有限责任公司超高压输电公司昆明局 | 数字化覆冰厚度测量装置及测量方法 |
CN111964865A (zh) * | 2020-08-12 | 2020-11-20 | 中国商用飞机有限责任公司 | 用于飞机冰风洞试验的砂纸冰型粗糙度的计算方法 |
CN113592798A (zh) * | 2021-07-21 | 2021-11-02 | 山东理工大学 | 一种道路病害智能辨识方法、系统、终端及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400141A (zh) * | 2013-07-24 | 2013-11-20 | 华南理工大学 | 一种基于改进图像法的输电导线覆冰厚度的计算方法 |
CN106595551A (zh) * | 2016-12-13 | 2017-04-26 | 武汉大学 | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 |
CN108229371A (zh) * | 2017-12-29 | 2018-06-29 | 西安工程大学 | 基于冰形建模的输电导线横截面覆冰形状识别方法 |
-
2018
- 2018-08-15 CN CN201810927764.3A patent/CN109325956A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400141A (zh) * | 2013-07-24 | 2013-11-20 | 华南理工大学 | 一种基于改进图像法的输电导线覆冰厚度的计算方法 |
CN106595551A (zh) * | 2016-12-13 | 2017-04-26 | 武汉大学 | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 |
CN108229371A (zh) * | 2017-12-29 | 2018-06-29 | 西安工程大学 | 基于冰形建模的输电导线横截面覆冰形状识别方法 |
Non-Patent Citations (3)
Title |
---|
宋伟刚等: "机器视觉实验", 《宋伟刚,罗忠主编. 机械电子工程实验教程(高)[M]》 * |
张烨等: "输电线路绝缘子覆冰厚度图像识别算法", 《电力系统自动化》 * |
杨浩等: "基于三维重建的输电线路覆冰在线监测方法", 《电力系统自动化》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111637839A (zh) * | 2020-06-01 | 2020-09-08 | 中国南方电网有限责任公司超高压输电公司昆明局 | 数字化覆冰厚度测量装置及测量方法 |
CN111964865A (zh) * | 2020-08-12 | 2020-11-20 | 中国商用飞机有限责任公司 | 用于飞机冰风洞试验的砂纸冰型粗糙度的计算方法 |
CN111964865B (zh) * | 2020-08-12 | 2021-04-27 | 中国商用飞机有限责任公司 | 用于飞机冰风洞试验的砂纸冰型粗糙度的计算方法 |
CN113592798A (zh) * | 2021-07-21 | 2021-11-02 | 山东理工大学 | 一种道路病害智能辨识方法、系统、终端及介质 |
CN113592798B (zh) * | 2021-07-21 | 2023-08-15 | 山东理工大学 | 一种道路病害智能辨识方法、系统、终端及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780438B (zh) | 基于图像处理的绝缘子缺陷检测方法及系统 | |
CN108596849B (zh) | 一种基于天空区域分割的单幅图像去雾方法 | |
CN106023185B (zh) | 一种输电设备故障诊断方法 | |
CN106856002B (zh) | 一种无人机拍摄图像质量评价方法 | |
CN109242888B (zh) | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 | |
CN109191432B (zh) | 基于域变换滤波多尺度分解的遥感图像云检测方法 | |
CN109325956A (zh) | 一种基于图像处理的输电导线覆冰截面特征提取方法 | |
CN107742307A (zh) | 基于改进帧差法的输电线路舞动特征提取及参数分析方法 | |
CN106680285A (zh) | 基于红外图像辅助的可见光图像识别绝缘子污秽状态方法 | |
CN105959510B (zh) | 一种视频快速去雾方法 | |
Dharejo et al. | A color enhancement scene estimation approach for single image haze removal | |
CN109598736B (zh) | 深度图像与彩色图像的配准方法及装置 | |
CN110853027A (zh) | 一种基于局部变动和全局变化的三维合成图像无参考质量评价方法 | |
CN111709888B (zh) | 一种基于改进的生成对抗网络的航拍图像去雾方法 | |
CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
CN109003238B (zh) | 一种基于模型与直方图及灰度增强的图像雾霾去除方法 | |
CN108734704A (zh) | 基于灰度方差归一化的输电导线断股检测技术 | |
CN110136079A (zh) | 基于场景深度分割的图像去雾方法 | |
CN108154492A (zh) | 一种基于非局部均值滤波的图像去雾霾方法 | |
CN112465708A (zh) | 基于暗通道改进的图像去雾方法 | |
CN108665468B (zh) | 一种提取直线塔绝缘子串的装置及方法 | |
CN111008967B (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
CN105631825B (zh) | 基于滚动导向的图像去雾方法 | |
Yu et al. | Content-adaptive rain and snow removal algorithms for single image | |
CN108154490A (zh) | 基于改进模糊集理论的高压输电线路绝缘子图像增强方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190212 |
|
RJ01 | Rejection of invention patent application after publication |